编辑推荐：
为解决血液透析中 IDH 和 IDHTN 难以准确预测的问题，宁波第二医院等单位的研究人员开展了相关机器学习模型研究。结果显示模型预测可行且可靠，能助力临床干预。推荐科研读者阅读，一同探索肾科前沿成果。
在全球范围内，终末期肾病（ESRD）的患病率正不断攀升，如同一场来势汹汹的 “健康风暴”，严重威胁着公众的健康。据统计，目前全球有超过 300 万人正在接受 ESRD 的治疗，而且这个数字还在随着人口老龄化以及糖尿病、心血管疾病发病率的上升而持续增长。单看中国大陆，截至 2023 年 12 月，中国国家肾脏数据系统（CNRDS）就报告了高达 916,647 名血液透析（HD）患者。
血液透析作为最常用的肾脏替代疗法，虽然能为患者带来生的希望，但却伴随着一些让人头疼的 “小麻烦”—— 透析过程中的血流动力学波动，其中就包括透析中低血压（IDH）和透析中高血压（IDHTN）。这些并发症可不是闹着玩的，它们会严重影响血液透析的安全性和充分性。频繁的器官灌注变化，就像一场 “内部混乱”，会波及心脏、中枢神经系统、胃肠道以及血管通路的正常功能，大大增加患者的死亡风险。不仅如此，IDH 和 IDHTN 还与心血管事件紧密相连，会让患者在透析过程中感到头晕、虚弱、头痛、恶心、呕吐，严重降低了患者的生活质量。
面对这些问题，目前肾科医生大多只能在并发症出现后，依靠临床经验进行被动干预。要是能提前准确预测这些血流动力学波动，透析工作人员就能提前采取预防措施，降低它们的发生几率和影响。然而，由于这些情况在不同临床环境下的复杂性和多因素性，准确预测一直是个难题。
就在大家为这个难题发愁的时候，医学人工智能（AI）的出现带来了新的希望。机器学习（ML）作为 AI 的一个重要分支，就像是一把神奇的 “钥匙”，为分析大规模血液透析数据、预测和管理血压波动提供了有力的工具。
来自宁波第二医院等单位的研究人员，在《BMC Nephrology》期刊上发表了一篇名为 “Research on the development of an intelligent prediction model for blood pressure variability during hemodialysis” 的论文。他们通过研究发现，利用机器学习模型预测血液透析过程中的 IDH 和 IDHTN 是可行的，而且这些模型能提供可靠的临床预测性能。这一发现意义重大，它可以帮助医生在血液透析过程中及时采取干预措施，预防问题的发生，减少透析期间的血压波动，从而改善患者的治疗效果。
为了开展这项研究，研究人员用到了几个关键的技术方法。首先是数据处理技术，他们从宁波第二医院和象山第一人民医院收集了 2019 年 8 月 1 日至 2023 年 9 月 30 日期间的血液透析数据，经过一系列筛选，最终纳入 258 名患者的 67,524 次血液透析 sessions。在处理数据时，他们排除了异常值，还对比了多种缺失值填补方法，最后选择随机森林插补法来填补缺失值。接着，他们选定 45 个特征进行分析，并将原发性疾病等特征进行独热编码处理。在模型构建方面，他们运用 10 种机器学习算法构建模型，像支持向量机（SVM）、k 近邻算法（KNN）等，还使用网格搜索和手动调整来优化模型参数。最后，他们利用 Shapley Additive Explanation（SHAP）方法来分析特征的重要性。
下面我们来详细看看研究结果：
患者特征
研究人员对数据进行了全面的收集和预处理，在众多数据处理方法中，随机森林插补法脱颖而出，成为填补缺失值的最佳选择。对血液透析患者血压变化的统计分析发现，透析过程中血压情况差异很大，只有 20.84% 的患者能维持正常血压，而 IDH 的发生率高达 56.63%，IDHTN 的发生率为 22.53%。从透析过程中不同时间点的血压变化来看，收缩压整体比较稳定，但 IDH 的发生随着透析时间的延长呈上升趋势，IDHTN 则是先上升，在第 3 小时达到高峰，之后有所下降。这表明 IDH 是透析过程中最常见的血压波动类型，随着透析时间增加，低血压风险也在增加，所以密切监测血压非常重要。
模型开发与性能比较
研究人员用 10 种机器学习模型来预测 IDH 和 IDHTN，结果发现 XGBoost、随机森林（RF）和 CatBoost 这三个模型在大多数评估指标上表现出色。进一步比较后，XGBoost 脱颖而出，成为综合性能最佳的模型。它在预测 IDH 时，ROC-AUC 达到 0.89，PR-AUC 为 0.95，其他指标也表现良好；预测 IDHTN 时同样表现优异，这充分证明了 XGBoost 模型在预测 IDH 和 IDHTN 方面的可靠性。
最终模型的外部验证
为了进一步检验 XGBoost 模型的可靠性，研究人员用来自象山第一人民医院的 20,471 次血液透析数据进行外部验证。结果发现，XGBoost 模型在外部验证中的表现依然出色，其 ROC-AUC 和 PR-AUC 得分与内部验证时相当，这说明这个模型具有很好的泛化能力，在真实世界中也能有效预测 IDH 和 IDHTN。
模型解释
为了让 XGBoost 模型更容易理解，研究人员使用了 SHAP 方法。通过 SHAP 分析，发现透析前收缩压（SBP）、体重指数（BMI）和透析前平均动脉压（MAP）等 8 个特征对模型输出影响较大。比如，透析前 SBP 与它的 SHAP 值呈明显负相关，意味着较高的透析前 SBP 会降低预测的不良结果发生概率，而且舒张压（DBP）还会影响 SBP 对预测结果的作用。SHAP 力场图还能详细展示每个特征对特定样本预测结果的影响，通过不同颜色的箭头清晰呈现出各个特征的作用方向。
临床效用
基于 SHAP 分析结果，研究人员确定了 8 个最重要的特征，并结合超滤量对 XGBoost 模型进行优化，开发出一个基于 Streamlit 框架的网络预测应用程序。医生只要输入患者的相关临床数据，这个应用程序就能预测患者在透析过程中发生 IDH 或 IDHTN 的可能性，为临床决策提供了很大的帮助。
在讨论部分，研究人员表示，他们的研究首次展示了多种用于预测 IDH 和 IDHTN 的机器学习模型，XGBoost 模型凭借其出色的性能，为临床医生提供了一个可靠的预测工具。通过 SHAP 方法，明确了影响透析期间血压变化的关键因素，这对理解疾病机制和制定针对性的干预措施具有重要意义。而且，这个网络预测应用程序如果能在临床中广泛应用，将有助于医生提前调整治疗方案，减少透析并发症，提高患者的安全性和透析效果，还能降低医疗成本。
不过，这项研究也存在一些不足之处。数据仅来自中国的两家医院，可能无法完全适用于其他地区的患者；模型没有考虑到其他透析并发症；数据收集和标注可能存在偏差，样本量也有限；模型没有考虑治疗过程中的干预措施，这些都可能影响模型的准确性。
尽管有这些不足，但这项研究依然为未来的研究指明了方向。研究人员计划进一步深入分析关键特征变量，优化网络应用程序的功能和界面，扩大数据集，纳入更多不同地区的患者，整合更多临床参数，提高模型的全面性。同时，他们还会规范血液透析患者的监测设备，减少研究中的偏差。通过不断完善模型和应用程序，有望开发出更强大的临床应用，实现透析过程中血压的实时准确预测，为血液透析患者带来更好的治疗体验和预后。
